Je trouve cette discussion particulièrement pertinente. Dans mon travail, j'utilise fréquemment l'analyse de séries temporelles et la modélisation prédictive pour estimer les tendances futures à partir de données historiques.
J'ajouterais que, si les approches prospectives qui ne reposent pas sur les performances passées sont essentielles — en particulier dans des contextes caractérisés par une forte incertitude ou des données limitées —, les méthodes prédictives fondées sur des données historiques demeurent parmi les outils les plus robustes dont nous disposons lorsque des données suffisantes et fiables sont disponibles. Ces méthodes nous permettent d'identifier des tendances, de quantifier des évolutions et de générer des projections fondées sur des données probantes, qui peuvent efficacement compléter les approches prospectives de nature plus qualitative.
Avec les avancées de l'intelligence artificielle et de l'apprentissage automatique, nous avons désormais la capacité d'aller plus loin en intégrant de grands volumes de données provenant de multiples projets, régions et même bailleurs de fonds. Cela ouvre des opportunités importantes pour développer des modèles prédictifs plus précis et mieux adaptés au contexte, notamment lorsque l'on travaille avec des interventions similaires au sein d'un même pays ou secteur.
Cependant, une contrainte majeure demeure : la disponibilité et la fragmentation des données. Celles-ci sont souvent cloisonnées au sein de projets ou d'organisations individuels, ce qui rend difficile la constitution d'ensembles de données suffisamment larges et diversifiés pour une modélisation robuste. Dans de nombreux cas, les données d'un seul projet ne sont pas suffisantes pour étayer des prédictions fiables.
Une voie possible consisterait à renforcer l'appropriation nationale des données de projet. Les gouvernements pourraient jouer un rôle clé dans la consolidation des données générées par différents projets au sein de bases de données centralisées et accessibles. Si elles sont bien conçues, de telles infrastructures pourraient soutenir la recherche, orienter la conception des projets et permettre une analyse ex ante plus rigoureuse des facteurs potentiels de succès ou d'échec.
En ce sens, je perçois de fortes complémentarités entre les méthodes prospectives et l'analyse prédictive. La prospective nous permet d'explorer l'incertitude et les futurs alternatifs, tandis que les modèles prédictifs nous aident à quantifier les tendances les plus probables lorsque les données le permettent. L'articulation de ces deux approches pourrait considérablement renforcer la pratique évaluative et la prise de décision.
RE: From Hindsight to Foresight: How Evaluation Can Become Future-Informed
Canada
Rhode Early Charles
Posté le 25/03/2026
Je trouve cette discussion particulièrement pertinente. Dans mon travail, j'utilise fréquemment l'analyse de séries temporelles et la modélisation prédictive pour estimer les tendances futures à partir de données historiques.
J'ajouterais que, si les approches prospectives qui ne reposent pas sur les performances passées sont essentielles — en particulier dans des contextes caractérisés par une forte incertitude ou des données limitées —, les méthodes prédictives fondées sur des données historiques demeurent parmi les outils les plus robustes dont nous disposons lorsque des données suffisantes et fiables sont disponibles. Ces méthodes nous permettent d'identifier des tendances, de quantifier des évolutions et de générer des projections fondées sur des données probantes, qui peuvent efficacement compléter les approches prospectives de nature plus qualitative.
Avec les avancées de l'intelligence artificielle et de l'apprentissage automatique, nous avons désormais la capacité d'aller plus loin en intégrant de grands volumes de données provenant de multiples projets, régions et même bailleurs de fonds. Cela ouvre des opportunités importantes pour développer des modèles prédictifs plus précis et mieux adaptés au contexte, notamment lorsque l'on travaille avec des interventions similaires au sein d'un même pays ou secteur.
Cependant, une contrainte majeure demeure : la disponibilité et la fragmentation des données. Celles-ci sont souvent cloisonnées au sein de projets ou d'organisations individuels, ce qui rend difficile la constitution d'ensembles de données suffisamment larges et diversifiés pour une modélisation robuste. Dans de nombreux cas, les données d'un seul projet ne sont pas suffisantes pour étayer des prédictions fiables.
Une voie possible consisterait à renforcer l'appropriation nationale des données de projet. Les gouvernements pourraient jouer un rôle clé dans la consolidation des données générées par différents projets au sein de bases de données centralisées et accessibles. Si elles sont bien conçues, de telles infrastructures pourraient soutenir la recherche, orienter la conception des projets et permettre une analyse ex ante plus rigoureuse des facteurs potentiels de succès ou d'échec.
En ce sens, je perçois de fortes complémentarités entre les méthodes prospectives et l'analyse prédictive. La prospective nous permet d'explorer l'incertitude et les futurs alternatifs, tandis que les modèles prédictifs nous aident à quantifier les tendances les plus probables lorsque les données le permettent. L'articulation de ces deux approches pourrait considérablement renforcer la pratique évaluative et la prise de décision.